学习系列一：YOLO系列目标检测框架之间介绍及对比

YOLO系列目标检测框架之间介绍及对比

华为HCIP AI高级工程师证书， 华为HCIA AI证书，目前从事视觉算法工作

---

---

前言

YOLO系列算法

YOLO 创新性地通过单次网络运行实现目标检测，之前的方法要么使用滑动窗口，要么使用分类器，每个图像需要运行数百次或数千次，从而造成模型计算量大和实时性更低。更先进的方法则将任务分为两步，首先识别含有物体或候选框可能存在的区域，随后对这些候选框进行分类。与之不同 YOLO 采用了一种更为直观的方法，仅通过回归分析来直接预测检测结果，巧妙地平衡了实时性与准确性的需求，大幅提升了目标检测领域的效率和效果。

---

一、YOLOv1

YOLOv1 算法引入网格划分机制，输入的图像被划分为一个 7×7 的单元网格，当检测到物体的中心落在某个网格的中心时，这个网格就会负责预测这个物体。对于每一个单元网格，都会预先生成两个边界框，而且只预测一个目标，每个边界框包含边界框坐标信息和置信度得分，最终的预测特征由边框的位置、边框的置信度得分以及类别概率组成。作为一阶段目标检测算法的代表，YOLO 利用其特有的网格分割预测策略机制，成功地跳过了传统候选区域生成的计算步骤，大大减少了算法的复杂性，并显著加快了检测的速度。

二、YOLOv2

在确保检测速度不变的前提下，针对 YOLOv1 算法存在的问题，YOLOv2 算法进行了若干优化和完善。首先，YOLOv2 算法在所有的卷积层上进行了批量归一化处理，这一方法不仅提高了模型的收敛性，还减少了对其他正则化形式的依赖。接下来，YOLOv2 算法采用了更高分辨率的图像来对模型进行预先的训练，从而增强了网络在高分辨率输入条件下的表现，同时通过融合卷积操作与先验框策略来进行边界框及其分类的预测，这不仅加快了数据处理和预测流程，而且还通过提高特征图的分辨能力，为后续的分类运算奠定了坚实的基础。这种方法有效地增强了算法对于目标特征的捕捉能力，从而提供了更准确、更细腻的预测结果。
经过改进后，其优势变得尤为明显，通过对 YOLOv2 每一个卷积层都做了归一化，改善了模型收敛性，使得平均精度均值提高了 2%；通过使用高分辨率图像来训练模型，来匹配模型对高分辨率图像输入的适应能力，从而使得模型的平均精度平均提升了 4%；参考了两阶段检测算法中的先验框预测边界框策略，并采用 k-means方法对训练集的边界框进行聚类，这使得模型能够独立地找到最适合的锚框尺寸，从而节约大量时间资源。YOLOv2 使用的新的分类模型被称为 Darknet19 作为骨干架构，Darknet19 整体上卷积操作比 YOLOv1 中更少，从而使计算量更少。此外，YOLOv2 还使用联合训练法，来提高
模型的泛化能力。

三、YOLOv3

针对 YOLOv2 的缺陷，YOLOv3 将当时一些较好的检测思想融入到了该版本的 YOLO系列中，在保持速度优势的前提下，进一步提升了检测精度。YOLOv3 主要做了三个方面的改进：(1)继续吸收了当时优秀的检测框架的思想，如残差网络和特征融合等，提出新的网络结构，称之为 DarkNet53，DarkNet53 借鉴残差连接的思想，在基础网络中大量使用了残差连接，并且缓解了在训练中梯度消失的问题，使得模型更容易收敛，很大程度上提高了数据表征能力。(2)采用多尺度预测，YOLOv3 巧妙地输出三种不同尺寸的特征图，依次对应于深层、中层和浅层特征的提取。深层特征图的尺寸较小但感受野更广，这使其特别适合于大尺寸物体的检测。相反，浅层特征图则具有较大的尺寸和较小的感受野，从而更加专注于小尺寸物体的检测，这种分层的方法大幅增强了模型对不同尺寸物体的检测能力。(3)Logistic 函数替代 Softmax 函数来优化类别预测得分的处理。这一变更背后的逻辑在于 Softmax 函数在输出多个类别预测时存在相互抑制的问题，导致仅能预测单一类别。相比之下，Logistic 分类器的设计保证了预测的独立性，从而使得对多个类别的同时预测成为可能，显著增强了模型的多类别识别能力。

四、YOLOv4

2020 年提出的 YOLOv4 算法，在一个阶段内完成特征提取、位置回归和分类识别的任务，实现了检测的实时性与高精度的完美平衡。YOLOv4 改善了骨干网络结构，引入了专为解决特征图冗余问题设计的 CSPDarknet53 网络。这一网络结构深刻认识到，不同通道的特征图中往往蕴含相似的信息，通过对这些冗余信息的精细优化处理，极大提升了算法的处理效率与性能表现。进一步地，YOLOv4 在继承其前代技术基础上进行了深度优化，将 DarkNet53 中的 LeakyReLU激活函数替换为更为先进的 Mish激活函数。同时，通过引进 Dropblock 技术，该算法随机丢弃部分神经元，既简化了网络架构，也提高了模型的泛化能力。在网络的“Neck”部分，YOLOv4 采纳了包含 SPP 模块和路径聚合网络(Path Aggregation Network, PAN)结构的创新性改进，其中 SPP 模块通过最大池化技术对特征图执行深层次卷积，扩大了特征的感受范围；而 PAN 结构通过有效的特征融合策略，显著增强了模型的精确度。在输入端，YOLOv4 通过 Mosaic 数据增强技术的巧妙运用，随机组合四张图片，这不仅极大地丰富了训练数据集，同时也显著减少了 YOLOv4 算法对GPU 资源的过度依赖，从而进一步优化了算法的性能。

五、YOLOv5及后续算法

YOLOv5 的网络架构融合了当时最新的目标检测技术思想，旨在进一步提升模型的训练效率和检测准确度。

在此基础上，YOLOv6 和 YOLOv7 通过借鉴参数结构化策略来优化网络架构，在保持较好的多尺度特征融合能力的同时，也能保持网络架构高效的推理。而 YOLOv8则在保持 YOLOv5 基本架构的前提下，在 Backbone 中将 YOLOv5 的 C3 模型结构进行梯度流的优化，换成了梯度流更加丰富的 C2f 结构，并对不同尺度模型的通道数进行了不同的调整，加强网络的特征提取和推理速度优化，以实现
性能的进一步提升。在 Head 部分采用解耦头的设计，将分类与检测任务进行分离，同时锚框也从 Anchor based 换成了 Anchor free。相比较 YOLOv5 而言，YOLOv8 属于对模型结构精心微调，不再是像 YOLOv6 和 YOLOv7 那样把一套新的参数应用所有模型，YOLOv8 大幅提升了模型性能，不过YOLOv8 的 C2f 模块中的 Split 操作对特定硬件进行部署不如 YOLOv5 模型结构更加友好。对 YOLOv1-YOLOv8 算法架构、算法框架、是否锚框和公共数据集上取得性能报告进行对比。